基于CWT和CNN的振动时间频率特征的滑状态识别

科学领域:

• 机械工程 机械工程
• 部落学 (tribology) 是一个学科.
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 滑对于机械系统的可靠性至关重要,但降解会导致故障.
• 监测滑状态 (正常,不足,受污染) 对于预测性维护至关重要.
• 目前用于滑状态识别的方法在准确性和稳定性方面存在局限性.

研究的目的:

• 开发一种使用振动信号识别滑状态的新且强大的方法.
• 整合连续波形变换 (CWT) 与卷积神经网络 (CNN) 进行增强的特征提取和分类.
• 评估拟议方法的性能与传统技术相比.

主要方法:

• 在三种滑条件下,从针盘式三极管学系统收集了振动信号.
• 应用连续波纹转换 (CWT) 将振动信号转换为时间频率图.
• 开发和训练了一个卷积神经网络 (CNN) 模型,使用CWT生成的图表进行分类.

主要成果:

• 在CWT+CNN模型中,训练准确率达到99.8%,测试准确率达到100%.
• 提出的方法显著优于传统方法 (例如,RMS+CNN,PSD+CNN,CWT+SVM).
• t-SNE可视化和混矩阵证实了明显的特征分离和完美的分类.

结论:

• 集成的CWT和CNN方法为滑状态监控提供了高度准确和可靠的解决方案.
• 这种方法有效地捕获了关键的时间频率特征,以进行可靠的故障诊断.
• 这些发现为设备健康管理中的实际工业应用提供了有前途的工具.